Análise da robustez de um detector de bordas baseado em autômatos celulares otimizado por enxame de partículas

• Ano de defesa: 2024
• Autor(a) principal: Ferraria, Vinícius Amendoeira
• Orientador(a): Ruivo, Eurico Luiz Prospero
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por; eng
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: autômatos celulares; computação natural; detecção de borda; processamento de imagem; transfer learning
• Link de acesso: https://dspace.mackenzie.br/handle/10899/38627

A emergência de novas áreas de pesquisas e o avanço tecnológico permitem o desenvolvimento e a aplicação de detectores de bordas mais avançados que visam solucionar os problemas dos principais detectores desenvolvidos, como a dificuldade de detecção de bordas soltas e a falta de contexto para extrair informações relevantes de problemas específicos. Com o intuito de aprimorar a tarefa de identificação de bordas e de adaptar a tarefa às propriedades das categorias de imagens de um determinado problema, é estudado um modelo de detector descrito por autômatos celulares de duas dimensões que faz uso de uma fase de otimização abordada por técnicas de meta-heurísticas. A adaptabilidade do detector se dá através da exploração dos parâmetros do modelo e do espaço de busca dos autômatos celulares cujas propriedades e a regra adiram melhor às imagens de entrada. Esse estudo tem como objetivo analisar a robustez da regra obtida pela etapa de otimização, que faz uso do otimizador de enxame de partículas, e a adaptabilidade do modelo para identificar as bordas de um conjunto de imagens natural e de subconjuntos especializados extraídos da mesma base. Os resultados encontrados comprovam a adaptabilidade do modelo estudado para os casos propostos nesta pesquisa e demonstram que a ampliação do espaço de busca não foi efetivo para a base escolhida. As variações dos experimentos demonstraram que independente da validação, o modelo foi capaz de se adaptar à entrada e que as técnicas de Transfer Learning aplicadas ao modelo não apresentaram uma melhora significativa na performance.